GraphCellNet：基于深度学习的单细胞与空间转录组整合分析新方法及其在发育与疾病中的应用

为解决空间转录组(ST)与单细胞RNA测序(scRNA-seq)整合分析中细胞类型解卷积精度不足的问题，研究人员开发了GraphCellNet深度学习模型。该模型创新性地引入Kolmogorov-Arnold网络层(KAN)，通过增强非线性特征表征和空间上下文整合，显著提升了心肌梗死、果蝇发育和人类心脏发育等研究中的空间域识别能力。研究为组织空间动态解析提供了新工具，对再生医学具有重要启示意义。

　　

这项研究提出名为GraphCellNet的深度学习框架，巧妙融合了单细胞RNA测序(scRNA-seq)和空间转录组学(ST)两大前沿技术。模型的核心创新在于引入Kolmogorov-Arnold网络层(KAN)，这种特殊结构能更精准捕捉基因表达的非线性关系，同时保持计算效率。通过构建图神经网络，研究团队实现了细胞类型解卷积和空间域识别的协同优化，有效解决了传统方法在细胞边界模糊和组织异质性高时的分析瓶颈。

在技术验证方面，研究采用皮尔逊相关系数(PCC)、结构相似性指数(SSIM)、均方根误差(RMSE)等多项指标进行系统评估。令人振奋的是，在心肌梗死模型中，该方法成功定位到^Trem2高表达区域与代谢基因特征的时空关联；在果蝇发育研究中，揭示了^TWEEDLE基因的动态表达规律；更在人类心脏发育过程中，首次系统描绘了不同发育阶段的细胞组成与空间构象演变图谱。

这项工作的科学价值体现在三个方面：其一，创新的KAN层设计突破了传统神经网络在基因表达建模中的局限性；其二，图结构的空间域识别方法将细胞邻接关系转化为拓扑信息，显著提升了分析精度；其三，跨尺度整合分析策略为理解组织微环境提供了全新视角，特别是为心脏再生等临床转化研究提供了重要线索。